20,爬取豆瓣电影TOP250,教程为BiliBili IT私塾

Posted 2021-02-19 zpzhou

耗时两天,终于将李巍老师的爬虫部分学习完,非常感谢李老师,讲课很生动,课程来源bilibili UP主:IT私塾.

以下为源代码:

#-*- codeing= utf-8 -*-
#__author__:  zoe
#date:  2020/5/15

from bs4 import BeautifulSoup
import urllib
import urllib.request
import re
import openpyxl as ox
#1.爬取网页
#2.逐一解析数据
#3.保存数据
def main():
    baseurl = ‘https://movie.douban.com/top250?start=‘
    datalist = getData(baseurl)
    savepath = ".\豆瓣电影Top250.xlsx"
    saveData(datalist,savepath)
    # askURL(baseurl)
#影片详情链接的规则
findLink= re.compile(r‘<a href="(.*?)">‘)
#影片图片
findImgSrc = re.compile(r‘<img alt.*src="(.*?)"‘,re.S)   #re.S不包括换行符,S大写
#影片片名
findName = re.compile(r‘<span class="title">(.*)</span>‘)
#影片评分
findRating = re.compile(r‘<span class="rating_num" property="v:average">(.*)</span>‘)
#影片评价人数
findPJ = re.compile(r‘<span>(d*)人评价</span>‘)
#影片总结
findInq = re.compile(r‘<span class="inq">(.*)</span>‘)
#影片相关内容
findBd = re.compile(r‘<p class="">(.*?)</p>‘,re.S)



def askURL(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/81.0.4044.138 Safari/537.36"
    }
#   url = ‘https://movie.douban.com/top250?start=0&‘
    req = urllib.request.Request(url, headers=headers)  #发送请求的格式
    html = ‘‘
    try:                                        ##异常捕获
        response = urllib.request.urlopen(req)   ##将请求返回的结果对象给response
        html = response.read().decode(‘utf-8‘)    ###读取response,并进行解码
        #print(html)
    except urllib.error.URLError as e:            #异常处理
        if hasattr(e,‘code‘):
            print(e.code)
        if hasattr(e,‘reason‘):
            print(e.reason)
    return html         #将结果html返回
def getData(baseurl):
    datalist = []
    for i in range(10):
        url = baseurl + str(i*25)   #对每个网页进行爬取,用i*25遍历25页网页
        html= askURL(url)                 #调用askURL函数,向网页发送请求,将返回的数据赋值给html
        sp = BeautifulSoup(html,‘html.parser‘)        #
        for item in sp.find_all(‘div‘,class_=‘item‘):    #对爬取到的数据做遍历
            data = []
            item = str(item)               #将item转化为字符串方便处理
            # print(item)    #调试查看item内容
            # break    #只打印一个item
            img = re.findall(findImgSrc,item)[0]    #调用findImgSrc,筛选出item中的电影图片链接
            data.append(img)                      #用列表的.append()将img加入到列表尾部
            name = re.findall(findName,item)     #调用findName,筛选出item中的电影名
            if len(name) == 2:
                cname = name[0]
                data.append(cname)
                #ename = name[1][1:len(ename)]       #用字符串切片去除掉外文名中的/,报错,len(ename)无法调用,需要分两步赋值,不如replace
                ename = name[1].replace(‘/‘,‘‘)     #用replace去除掉外文名中的/
                data.append(ename)
            else:
                data.append(name[0])
                data.append(‘ ‘)   #无外文名就留空
            rating = re.findall(findRating,item)[0]
            data.append(rating)
            pj = re.findall(findPJ,item)[0]
            data.append(pj)
            inq = re.findall(findInq,item)
            if len(inq) !=0:
                inq = inq[0].replace(‘。‘,‘‘)
                data.append(inq)
            else:
                data.append(‘ ‘)    #无详情信息留空
            link = re.findall(findLink, item)[0]
            data.append(link)
            bd = re.findall(findBd,item)[0]
            bd = re.sub(‘<br(s+)?/>(s+)?‘,‘ ‘,bd)
            bd = re.sub(‘/‘,‘ ‘,bd)
            data.append(bd.strip())   #去掉前后空格
            datalist.append(data)
    # for i in datalist:
    #     print(i)
    # print()
    return datalist
def saveData(datalist,savepath):
    wb = ox.Workbook()
    ws = wb.get_active_sheet()
    lname = (‘序号‘,‘图片链接‘,‘电影中文名‘,‘电影外文名‘,‘评分‘,‘评价‘,‘概述‘,‘电影详情链接‘,‘其他信息‘)
    for i in range(9):
        ws.cell(1,i+1,lname[i])   #第一行为列名
    for i in range(250):       #遍历250部电影信息
        data = datalist[i]    #从大表中取出每一部电影信息,本身也是一个列表,赋值给data
        ws.cell(i+2,1,i+1)   #加入第一列序号
        for j in range(8):
            ws.cell(i+2,j+2,data[j])      #把电影信息遍历逐个写入单元格.
    wb.save(savepath)    #保存在函数传入的savepath路径中.

    return
if __name__ == "__main__" :
    main()